論文の概要: Neural posterior estimation of the neutrino direction in IceCube using transformer-encoded normalizing flows on the sphere
- arxiv url: http://arxiv.org/abs/2604.19846v1
- Date: Tue, 21 Apr 2026 12:27:26 GMT
- ステータス: 翻訳完了
- システム内更新日: 2026-04-23 15:36:10.64831
- Title: Neural posterior estimation of the neutrino direction in IceCube using transformer-encoded normalizing flows on the sphere
- Title（参考訳）: 変圧器符号化正規化流を用いたアイスキューブのニュートリノ方向のニュートリノ方向のニュートラル後部推定
- Abstract要約: ニュートリノ方向のニュートリノ方向のニュートリノ方向を2次元球面上の正規化流れにマッピングするトランスフォーマーエンコーダを用いてニュートリノ方向のニュートリノ方向のニュートリノ後部推定について検討する。
アイスキューブの2つの主要なイベント形態 - トラックとシャワー - に対して、最先端の角分解能を新たに実現している。
オールスキースキャンは時間ではなく数秒で実行でき、一定の計算時間を要する。
- 参考スコア（独自算出の注目度）: 6.9589689673109385
- License: http://arxiv.org/licenses/nonexclusive-distrib/1.0/
- Abstract: IceCube is a cubic-kilometer-scale neutrino detector located at the geographic South Pole. A precise directional reconstruction of IceCube neutrinos is vital for associations with astronomical objects. In this context, we discuss neural posterior estimation of the neutrino direction via a transformer encoder that maps to a normalizing flow on the 2-sphere. It achieves a new state-of-the-art angular resolution for the two main event morphologies in IceCube - tracks and showers - while being significantly faster than traditional B-spline-based likelihood reconstructions. All-sky scans can be performed within seconds rather than hours, and take constant computation time, regardless of whether the posterior extent is arc-minutes or spans the whole sky. We utilize a combination of $C^2$-smooth rational-quadratic splines, scale transformations and rotations to define a novel spherical normalizing-flow distribution whose parameters are predicted as a whole as the output of the transformer encoder. We test several structural choices diverting from the vanilla transformer architecture. In particular, we find dual residual streams, nonlinear QKV projection and a separate class token with its own cross-attention processing to boost test-time performance. The angular resolution for both showers and tracks improves substantially over the whole trained energy range from 100 GeV to 100 PeV. At 100 TeV deposited energy, for example, the median angular resolution improves by a factor of $1.3$ for throughgoing tracks, by a factor of $1.7$ for showers and by a factor of $2.5$ for starting tracks compared to state-of-the art likelihood reconstructions based on B-splines. While previous machine-learning (ML) efforts have managed to obtain competitive shower resolutions, this is the first time an ML-based method outperforms likelihood-based muon reconstructions above 100 GeV.
- Abstract（参考訳）: アイスキューブ(英: IceCube)は、南極点にある立方キロメートル規模のニュートリノ検出器である。
アイスキューブニュートリノの正確な方向再構成は、天文学的な天体との関連に不可欠である。
この文脈では、2次元球面上の正規化流れにマップするトランスフォーマーエンコーダを用いてニュートリノ方向のニュートリノ方向の神経後部推定について議論する。
アイスキューブの2つの主要なイベント形態 - 線路とシャワー - に対して、最先端の角分解能を新たに達成すると同時に、従来のBスプラインベースの可能性復元よりも大幅に高速である。
オールスキースキャンは時間ではなく数秒で実行でき、後部がアーク分であるか、空全体にまたがっているかに関わらず、一定の計算時間を取ることができる。
C^2$-smooth rational-quadratic splines, scale transformations and rotationsの組合せを用いて、パラメータが変換器エンコーダの出力として全体として予測される新しい球面正規化-フロー分布を定義する。
バニラ変圧器アーキテクチャから分岐するいくつかの構造的選択を検証した。
特に、2つの残差ストリーム、非線形QKVプロジェクション、およびテスト時間性能を高めるために独自のクロスアテンション処理を備えたクラストークンが見つかる。
シャワーとトラックの角度分解能は、100GeVから100PeVまでの訓練されたエネルギー範囲で大幅に改善される。
例えば、100TeVの堆積エネルギーでは、中央の角分解能は、通過する線路の1.3ドル、シャワーの1.7ドル、B-スプラインに基づく最先端の工芸品の復元と比較して、スタートトラックの2.5ドルによって改善される。
これまでの機械学習(ML)の取り組みは、競争力のあるシャワーの解像度を得ることができたが、MLベースの手法が100GeVを超える確率ベースのミューオン再構成より優れているのは今回が初めてである。
関連論文リスト
- Round-Trip Consistency: Bidirectional Diffusion Models Can Predict Their Own Rollout Errors [51.56484100374058]
自動回帰モデルは、長時間のロールアウトでエラーを蓄積しますが、デプロイ時には、それを測定するための基本的な真実はありません。
我々は、方向フラグを介して動的システムを前方または後方にステップする単一の条件付き潜在拡散モデルを訓練する。
この双方向性は測定不要なテスト時間誤差信号を提供することを示す。
論文 参考訳（メタデータ） (2026-08-01T13:49:46Z) - Predicting the Slow Drift of Nuclear Spin Noise in Semiconductor Spin Qubits [0.0]
核スピン浴の力学は、量子ドットにおける電子スピンビットのデコヒーレンスに重要な寄与となる磁気ノイズを生成する。
我々は,クラスタ相関拡張(CCE)技術を拡張し,より長い時間スケールで遅いドリフトオーバーハウザー場を効率的に予測するために,クラスタ動的処理を取り入れた。
論文 参考訳（メタデータ） (2026-07-28T17:31:27Z) - Machine Learning-Based Reconstruction for Resistive Silicon Sensors [53.365453214937496]
抵抗型シリコンセンサの機械学習による再構成と圧縮について検討した。
相関パッドからのフルウェーブフォーム情報を用いて、再構成を規則化し、空間情報を抽出する。
まず、LSTM層に基づくリカレントニューラルネットワークモデルを紹介し、フルウェーブフォーム再構成のための概念実証実装を提供する。
論文 参考訳（メタデータ） (2026-07-13T14:03:26Z) - N-vium: Mixture-of-Exits Transformer for Accelerated Exact Generation [68.47358899451255]
N-vium (N-vium) は、標準ハードウェア上での計算を部分的に並列化する変圧器である。
N-Viumは複数の深さで予測ヘッドを付加し、次のトーケン分布をこれらの出口上の学習混合物として定義する。
論文 参考訳（メタデータ） (2026-05-13T08:46:17Z) - Total Generalized Variation regularization closes the gap between neural-eld and classical methods in seismic travel-time tomography [0.0]
トモグラフィーはメッシュ分解能と安定性のトレードオフを強制し、レギュレータの選択が回復可能なものを支配します。
本稿では,Fourier-Feature Neural Networkとして,2次元速度場を表す差別化可能なフレームワークMIMIRを紹介する。
論文 参考訳（メタデータ） (2026-05-11T04:13:52Z) - Graph Neural ODE Digital Twins for Control-Oriented Reactor Thermal-Hydraulic Forecasting Under Partial Observability [6.370970195988317]
高度原子炉のリアルタイム監視制御には、プラント全体の熱水和状態の正確な予測が必要である。
物理インフォームドメッセージパス型微分ニューラルネットワークとニューラル正規方程式(GNN-ODE)を提案する。
GNN-ODEサロゲートはシステムダイナミクス予測に満足な結果が得られる。
論文 参考訳（メタデータ） (2026-04-08T16:58:14Z) - End-to-end event reconstruction for precision physics at future colliders [0.39998518782208786]
将来のコライダー実験では、ヒッグス、エレクトロオーク、観察可能な風味の測定に前例のない精度が必要である。
現在の粒子流アルゴリズムは検出器特有のクラスタリングに依存しており、検出器設計時の柔軟性を制限している。
ここでは、荷電粒子軌道と熱量計とミューオンが直接粒子レベルオブジェクトにぶつかる、エンドツーエンドのグローバルイベント再構成手法を提案する。
論文 参考訳（メタデータ） (2026-03-04T13:55:04Z) - Quantum Phaselift [0.0]
階数 1 の行列 $Z = f fdagger$ を直接推定するのではなく、階数 1 の行列 $Z = f fdagger$ を推定するリフトベースフレームワークを導入する。
我々は、一般的な信号に対して$O(1)$の帯域幅が十分であることを示す。
本稿では,2次元Fermi-Hubbardと2次元横フィールドIsingモデル信号に対して,100時間以上で高品質なリカバリが可能であることを数値的に示す。
論文 参考訳（メタデータ） (2026-02-09T19:09:57Z) - FFT-Accelerated Auxiliary Variable MCMC for Fermionic Lattice Models: A Determinant-Free Approach with $O(N\log N)$ Complexity [52.3171766248012]
量子多体系のシミュレーションを劇的に高速化するマルコフ連鎖モンテカルロ(MCMC)アルゴリズムを導入する。
我々は,量子物理学のベンチマーク問題に対するアルゴリズムの有効性を検証し,既知の理論結果を正確に再現する。
我々の研究は、大規模確率的推論のための強力なツールを提供し、物理学に着想を得た生成モデルのための道を開く。
論文 参考訳（メタデータ） (2025-10-13T07:57:21Z) - Bayesian Circular Regression with von Mises Quasi-Processes [57.88921637944379]
本研究では、円値ランダム関数上の表現的および解釈可能な分布の族を探索する。
後部推論のために,高速ギブズサンプリングに寄与するストラトノビッチ様拡張法を導入する。
本研究では,このモデルを用いて風向予測と走行歩行周期のパーセンテージを関節角度の関数として適用する実験を行った。
論文 参考訳（メタデータ） (2024-06-19T01:57:21Z) - Learning with Norm Constrained, Over-parameterized, Two-layer Neural Networks [54.177130905659155]
近年の研究では、再生カーネルヒルベルト空間(RKHS)がニューラルネットワークによる関数のモデル化に適した空間ではないことが示されている。
本稿では,有界ノルムを持つオーバーパラメータ化された2層ニューラルネットワークに適した関数空間について検討する。
論文 参考訳（メタデータ） (2024-04-29T15:04:07Z) - SGFormer: Spherical Geometry Transformer for 360 Depth Estimation [52.23806040289676]
パノラマ歪みは360度深度推定において大きな課題となる。
本稿では,SGFormer という球面形状変換器を提案し,上記の問題に対処する。
また、様々な解像度で空間構造を補うために、クエリベースの大域的条件位置埋め込みを提案する。
論文 参考訳（メタデータ） (2024-04-23T12:36:24Z) - Kronecker-Factored Approximate Curvature for Modern Neural Network
Architectures [85.76673783330334]
線形重み付け層の2つの異なる設定がクロネッカー型近似曲率(K-FAC)の2つの風味を動機付けている
重み付けをそれぞれ設定したディープ・リニア・ネットワークに対して正確であることを示す。
グラフニューラルネットワークと視覚変換器の両方をトレーニングするために、これらの2つのK-FACの違いをほとんど観測しない。
論文 参考訳（メタデータ） (2023-11-01T16:37:00Z) - Neural Inference of Gaussian Processes for Time Series Data of Quasars [72.79083473275742]
クエーサースペクトルを完全に記述できる新しいモデルを提案する。
また、$textitNeural Inference$というガウス的プロセスパラメータの推論の新しいメソッドも導入しています。
CDRWモデルとNeural Inferenceの組み合わせはベースラインのDRWとMLEを大きく上回っている。
論文 参考訳（メタデータ） (2022-11-17T13:01:26Z) - Direction of Arrival Estimation of Sound Sources Using Icosahedral CNNs [10.089520556398574]
Icosahedral Convolutional Neural Network (CNN) に基づく音源の指向性(DOA)推定の新しいモデルを提案する。
このイコサヘドラルCNNは、球状回転の連続空間のよい近似を示すイコサヘドロンの60回転対称性に同値である。
問題の等式に適合するモデルを使用することで、計算コストの低減とロバスト性の向上により、他の最先端モデルよりも優れることを示す。
論文 参考訳（メタデータ） (2022-03-31T10:52:19Z) - Gravitational-wave parameter estimation with autoregressive neural
network flows [0.0]
深部ニューラルネットワークを用いた重力波データから二元ブラックホール系のパラメータを高速に推定するための自己回帰正規化フローを導入する。
正規化フロー(英: normalizing flow)は、単純な確率分布からより複雑なものへの変換を誘導するために用いられるサンプル空間上の可逆写像である。
可変オートエンコーダフレームワークに自己回帰フローを組み込むことにより,より強力な潜在変数モデルを構築する。
論文 参考訳（メタデータ） (2020-02-18T15:44:04Z)
関連論文リストは本サイト内にある論文のタイトル・アブストラクトから自動的に作成しています。
指定された論文の情報です。
本サイトの運営者は本サイト（すべての情報・翻訳含む）の品質を保証せず、本サイト（すべての情報・翻訳含む）を使用して発生したあらゆる結果について一切の責任を負いません。